训练参数调整
描述:训练参数对收敛速度以及最终精度有影响。
措施:了解每个参数的背后的数学意义,改变参数,进行对比实验。
2、数据集样本总量
描述:训练模型所使用的数据集样本量越多,效果越好。
措施:一边训练一边增加样本量,尤其是样本量相对较低的某一类。样本可以手工做,也可以找公开的数据集。
3、样本的类别
描述:对于样本类别的划分会对结果产生影响。
措施:减少样本种类。例如将长头发、短头发、帽子合并为一类。
4、图框的长宽比
描述:不同样本resize成统一大小之后会丢失信息,对结果造成影响。
措施:阅读SSD论文或其他资料,确定SSD根据图框产生正样本的机制,如果有影响,则将图框统一改成固定长宽比之后再训练。
5、负样本的产品
描述:图像中存在半个目标的情况,可能会被SSD当作负样本进行训练。
措施:阅读SSD论文或其他资料,确定SSD负样本产生机制,如果有影响,则要将图片中存在半个目标的样本全部去掉,再试验。
6、输入图像的长宽和模型输入长宽的关系
描述:模型输入长宽是否跟输入图像的长宽有关。
措施:改变模型的输入长宽,观察结果变化。
7、对模型检测错误的样本进行增强
描述:误检,漏检,框不准,以及概率过低的目标,需要进行增强。
措施:得到一个初步稳定的模型之后,用模型去检测每一张输入样本图像,人工筛选出上述检测不合格的样本图像,用这些样本对原有数据集进行增强(会产生重复的数据,需要重命名),再训练,再看结果。
8、准确率测试方法:
描述:准确率的判定会影响对模型好坏的判断。
措施:必须从一开始就要固定一个准确率测试的方法。同类实验用同一标准判定结果好坏。
SSD模型训练技巧
最新推荐文章于 2024-04-11 02:39:23 发布